CN110796243B - 一种连续型运行监测数据模拟发生方法及装置 - Google Patents

Abstract

一种连续型运行监测数据模拟发生方法及装置，通过对实际系统对象各类运行监测信号的拟合或学习、产生可编程并行和串行连续型型数据，通过编程接口在其中加入各种异常数据或故障数据，也可根据用户自定义算法仿真和重复现实世界无法复现的连续型信号，并具备多路信号同/异步输入/出的功能，工作人员根据需要选择采用完整模拟数据或完整自定义模拟数据。本发明通过测试系统对样本信号的响应，实现对系统对象运行的分析、调试、检测、故障诊断等功能。

Description

一种连续型运行监测数据模拟发生方法及装置

技术领域

本发明涉及工业过程测试与信号模拟技术领域，特别是一种连续型运行监测数据模拟发生方法。

背景技术

大型装备及系统和工业过程会产生海量的运行数据，这些数据蕴含了对象整体运行状况，人们可以通过测试分析来发现其中的具体工况。但随着系统对象复杂程度和规模的增长，运行监测数据呈数量级增长，纯粹的实物分析其测试结果的精度和时效性难以得到保障。考虑到大量的运行监测数据是以连续型有界数据的形式呈现，能够模拟连续型的系统对象运行输出数据的发生方法及其承载装置将有助于人们对于测试分析方法深入分析，进而提升对于整体系统对象工况的认识能力。

发明内容

本发明的其中一个目的就是提供一种连续型运行监测数据模拟发生方法。

本发明的该目的是通过这样的技术方案实现的，具体步骤如下：

1)采集待模拟实际系统的运行监测数据，分类形成样本信号数据池；

2)根据步骤1)中所述样本信号数据池，分别生成正常运行数据模拟规则库和异常工况数据模拟规则库；

3)根据步骤2)中所述正常运行数据模拟规则库，生成自定义正常运行数据模拟规则库；根据步骤2)中所述异常工况数据模块规则库，生成自定义异常工况数据模拟规则库；

4)结合正常运行数据模拟规则库和异常工况数据模拟规则库生成完整模拟数据；结合自定义正常运行数据模拟规则库和自定义异常工况数据模拟规则库生成完整自定义模拟数据。

进一步，步骤1)中所述分类形成样本信号数据池的具体方法如下：

1-1)对实际系统所产生的监测数据进行划分，根据监测数据的类型、功能、产生条件、机理的差异将数据源划分成多种类别数据池；

1-2)设置实际系统监测对象的数据采样周期；

1-3)将步骤1-1)中所述多种类别数据池内的数据划分为正常数据和异常工况数据，并存入到正/异常数据池中；

1-4)将步骤1-3)中所述正/异常数据池内的数据，划分为测试数据和训练数据。

进一步，步骤1-3)中所述划分为正常数据和异常工况数据的具体方法为：将同种时间条件下的大量输出结果作为数据集，求其平均值λ和标准差σ，根据工况和执行标准的差异，人为对数据标准差添加影响因子γ，将判断异常数据的标准差设定为α＝σ+γ，针对每个数据χ，若(χ－λ)²>α²，则判断为异常数据。

进一步，生成正常运行数据模拟规则库的具体方法如下：

2-1-1)提取步骤1-4)中正常数据池内的训练数据；

2-1-2)根据训练数据的类型、产生条件、关联参数、信号周期、幅值范围、产生频率、噪声范围、噪声频率因素确定训练样本的结构，即输入和输出个数；

2-1-3)根据RBF人工神经网络学习、回归、拟合方式对训练数据进行处理，得到针对不同正常运行监测数据的神经网络模型、关系表达式和正常运行数据模拟规则库；

步骤2-1-3)具体为，针对建立RBF神经网络模型，首先根据训练样本结构得到输入向量M和目标向量N，并输入测试样本M_test和目标测试样本N_test；之后采用函数newrbe创建RBF神经网络模型，并由系统设定隐含层数目，相关函数为：

SPREAD＝1；

net＝newrbe(P,T,SPREAD)；

y＝sim(net,P_test)。

进一步，所述方法还包括有步骤5)对比完整模拟数据和样本信号数据池的数据，优化完整模拟数据发生规则，其具体方法如下：

2-2-1)提取步骤1-4)中异常数据池内的训练数据；

2-2-2)记录每次异常的频率、持续周期、残差幅值、是否允许复合参数；

2-2-3)通过异常工况数据分析模块调用异常工况分析算法库，按照实际系统中不同类别数据所发生异常的类型，对异常工况所产生数据进行分类，确定训练样本的结构，即输入和输出个数；

2-2-4)按类别对异常工况数据进行整合、分析、处理，得到异常工况数据模拟规则库；

步骤2-2-4)得到异常工况数据模拟规则库的具体方法为：根据步骤2-2-3)中分类后的异常工况数据，分别进行RBF神经网络建模，首先由训练样本结构得到输入向量M和目标向量N，并输入测试样本M_test和目标测试样本N_test；之后采用函数newrbe创建RBF神经网络模型，并由系统设定隐含层数目，相关函数为：

SPREAD＝1；

net＝newrbe(P,T,SPREAD)；

y＝sim(net,P_test)。

进一步，步骤3)中所述生成自定义正常运行数据模拟规则库和自定义异常工况数据模拟规则库的具体方法为：

将正常运行数据模拟规则库和异常工况数据模拟规则库作为参考规则库，调整步骤2-1-3)和2-1-4)中神经网络模型中各神经元的权重和偏置，以适应自定义操作对输出数据的调整，从而建立出自定义正常运行数据模拟规则库，具体方法为：首先将输入节点的变量数值规定于(-1,1)之间；各输入节点权重及隐藏层与输出层神经元的偏置初始化设置为(-1,1)的随机数，并根据输入信号计算出各神经元输出信号；由输出信号计算出与真值的差值，以及各隐藏层和输出层神经元的差值；然后通过二分法依次对各神经元权重和偏置进行更新优化，得到更近似于最优解的值；

将正常运行数据模拟规则库和异常工况数据模拟规则库不作参考映射，由实际工况和样本数据得到输入向量M，输入向量M的各个输入量的权重均为(-1,1)之间的随机数，记录于此对应的输出值，由此重复现实世界无法复现的信号并产生非实际生产下的自定义数据，用于自定义补充自定义正常运行数据模拟规则库和自定义异常工况数据模拟规则库。

进一步，步骤4)中所述结合正常运行数据模拟规则库和异常工况数据模拟规则库生成完整模拟数据的具体方法为：通过正常运行数据模拟规则库生成处于正常工况下的模拟数据，并根据系统模拟和人为主动控制的要求向模拟出的正常数据间隔性或连续性地插入异常工况数据模拟规则库模拟出的异常数据，生成完整模拟数据；

步骤4)中所述结合自定义正常运行数据模拟规则库和自定义异常工况数据模拟规则库生成完整自定义模拟数据的具体方法为：为生成非实际生产下的自定义数据为重复现实世界无法复现的信号，通过自定义正常运行数据模拟规则库生成处于正常工况下的模拟数据，并根据系统模拟和人为主动控制的要求向模拟出的正常数据间隔性或连续性地插入自定义异常工况数据模拟规则库生成的模拟数据，生成完整自定义模拟数据。

进一步，步骤5)中所述对比完整模拟数据和样本信号数据池的数据，优化完整模拟数据发生规则的具体方法如下：

5-1)提取步骤1-4)中其中一个正/异常数据池内的测试数据；

5-2)将测试数据与之相关联的各参数及条件设置到装置中；

5-3)该类测试数据与对应模拟数据进行比较，泛化误差；对数据集中共有的M个数据，将其随机分成N份，每次选取其中1份作为测试数据，其余N-1份为训练数据进行交叉训练，得到所有样本数据与模拟数据的误差，最后求平均；

5-4)神经网络算法选择具有最小泛化误差的模型作为本次训练的模型，将该模型继续作为训练模型；将泛化误差后的M个数据依旧分成N份，并且在整个训练数据上再次训练该模型，寻得具有最小泛化误差的模型作为下次的训练模型，循环往复，直到所得模型的精度达到预期值，求得最终的神经网络模型。

本发明的另目的就是提供一种连续型运行监测数据模拟发生装置。

本发明的该目的是通过这样的技术方案实现的，包括有输入和规范设备，正常运行数据分析模块，异常工况数据分析模块，算法模块，数据发生预处理模块和数据通道模块；

输入和规范设备，将采集到的数据经基本清洗处理后，通过读取时钟信号，确定数据块读取起止位置及循环次数，按照规范形成以约定周期为单位的样本信号数据池；

正常运行数据分析模块，从样本信号数据池中提取正常运行数据，对其进行神经网络学习、回归、拟合，建立神经网络模型，从而得到系统正常运行下不同数据的关系表达式和数据发生规则库；

异常工况数据分析模块，从样本信号数据池中提取异常工况数据，通过调用异常工况分析算法库，对异常工况所产生数据进行分类，形成异常工况数据模拟规则库；

算法模块，编制算法从正常运行数据分析模块、异常工况数据分析模块所形成的模拟规则库映射出实际生产工况相关联的完整模拟数据；并通过编制算法，生成非实际生产下的完整自定义模拟数据；

数据发生预处理模块：处理、整合数据，确定数据发送速率、数据长度、数据内容，形成实际模拟数据发生规则；

数据通道模块，选择通道调理、输出实际模拟数据。

由于采用了上述技术方案，本发明具有如下的优点：

本发明通过对实际系统对象各类运行监测信号的拟合或学习、产生可编程并行和串行连续型型数据，通过编程接口在其中加入各种异常数据或故障数据，也可根据用户自定义算法仿真和重复现实世界无法复现的连续型信号，并具备多路信号同/异步输入/出的功能，工作人员根据需要选择采用完整模拟数据或完整自定义模拟数据。本发明通过测试系统对样本信号的响应，实现对系统对象运行的分析、调试、检测、故障诊断等功能。

本发明在不涉及系统实物对象结构和机理的同时，重点复现了人们关注的运行监测数据，而且生成的数据流具有可编辑和扩展分析能力。本发明所产生的连续型数据源模拟发生装置适用性强、处理和模拟信号数据量大、模拟数据更加真实准确、可根据不同需求自定义数据属性；相比于传统的机器学习算法对大数据的处理能力有限，具有局限性。本装置使用的神经网络学习算法能够跟上数据增长的步伐，性能随着数据量的增大，性能和学习能力也越强；工业生产中，常出现偶发性、突然性异变信号，该种信号对设备和工业生产具有不可预测性，往往引发不可控事故。本发明能够根据信号发生条件对信号跟踪模拟，从而重复和比对现实世界无法复现的连续型信号，对于产前设备测试与事故后研究分析具有重大意义。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。

附图说明

本发明的附图说明如下。

图1为本发明的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

实施例：一种连续型运行监测数据恨生方法及装置。

所述方法具体步骤如下：

S1：使用输入和规范设备采集实际系统对象的运行监测数据，形成样本信号数据池。

具体步骤如下：

S11：对复杂系统所产生数据进行细致划分，根据实际数据的类型、功能、产生条件、机理等差异将数据源划分成多种数据池。例如在风力发电领域，分别以不同时间下功率、叶片角度、叶片转速、风速、风向、温度等工况、运行环境的数据作为参考量，以研究包括叶片结冰度、叶片偏移度、叶片弯曲度等三个指标在30分钟后的情况，建立三个数据池。

S12：设置实际系统对象运行监测数据采样周期(1s，1m，1h，1d，1w……)。例如，提取某一风力发电机叶片从2015年到2019年近5年的关于叶片结冰度及相关参数的运行记录，包含每一天每分钟的观测值。

S13：将各种实际系统对象的运行监测数据划分为正常数据和异常工况数据，存入到对应的数据池中。将风力发电机组正常运行时的数据存入正常数据池；叶片发生故障、检测参数超过限值等发生异常工况时的数据存入异常工况数据池。

S14：将上述每种数据池划分为测试数据和训练数据。例如，初始选取90％的数据作为训练数据，10％为测试数据。

S2：通过正常运行数据分析模块对样本信号数据池中的正常运行数据进行神经网络建模，得到针对不同数据的关系表达式和系统正常运行数据模拟规则库。

具体步骤如下：

S21：提取实际系统某一正常运行监测数据池对应的训练数据。例如，选取以叶片结冰度为研究对象的训练数据。

S22：根据实际系统中此数据池中数据的类型、产生条件、关联参数、信号周期、幅值范围、产生频率、噪声范围、噪声频率等因素确定训练样本的结构。本例中，选取功率、叶片角度、叶片转速、风速、风向、温度等6个参数作为模型输入，叶片结冰度作为输出。

S23：根据人工神经网络，如RBF、多层感知器神经网络，学习、回归、拟合等方式对测试数据进行处理，得到在正常运行和异常工况下针对功率、叶片角度、叶片转速、风速、风向、温度等6个参数与叶片结冰度的神经网络模型以及正常运行数据模拟规则发生库；

S3：通过异常工况数据分析模块调用异常工况分析算法库，对异常工况所产生数据进行分类，形成异常工况数据模拟规则库。

具体步骤如下：

S31：提取实际系统某一异常工况下数据池对应的训练数据。例如，选取以叶片结冰度为研究对象的异常工况下的训练数据。

S32：记录叶片结冰度每次异常的频率、持续周期、残差幅值、是否允许复合等参数。

S33：通过异常工况数据分析模块调用异常工况分析算法库，按照叶片结冰度发生异常的类型，如超限异常、不规范异常、趋势异常、分布异常、故障、中止、误操作等对异常工况所产生数据进行分类；

S34：按类别对叶片结冰度异常工况数据进行整合、分析、处理，得到异常工况数据模拟规则库。

S4：建立自定义正常运行数据模拟规则库和自定义异常工况数据模拟规则库。

具体步骤如下：

S41：由S2和S3得到正常运行及异常工况下针对功率、叶片角度、叶片转速、风速、风向、温度等6个参数与叶片结冰度的神经网络模型或模拟发生规则库，作为参考规则库；

S42：根据需求，建立相应模拟算法来调整S41中的神经网络模型中功率、叶片角度、叶片转速、风速、风向、温度等神经元单元的权重和偏置，以适应自定义操作对输出数据的调整，从而建立出自定义正常运行数据模拟规则库；

S43：根据需求，编制相应模拟算法，调整S41中异常工况数据模拟规则库中功率、叶片角度、叶片转速、风速、风向、温度与叶片结冰度之间的模拟结构和规则，以适应自定义操作对输出数据的调整，从而建立出自定义异常工况数据模拟规则库；

S44：S2和S3所得数据规则库不作为参考映射的条件下，编制相应模拟算法，对功率、叶片角度、叶片转速、风速、风向、温度与叶片结冰度之间的模拟结构和规则尽心自定义的构建，以重复现实世界无法复现的信号并产生非实际生产下的自定义数据，从而对S42和S43中的自定义正常运行和异常工况数据模拟规则库进行补充；

S5：建立数据发生预处理模块，形成实际模拟数据发生规则。

具体步骤如下：

S51：将叶片结冰度运行数据模拟规则库、自定义数据模拟规则库、异常工况数据模拟规则库、自定义异常工况数据模拟规则库接入数据发生预处理模块；

S52：根据需要，将叶片结冰度正常模拟运行数据并与模拟异常工况数据整合，确立模拟数据类型、周期、起始时间、数据通路数、异常工况注入点、异常持续时间、异常工况类型等，形成完整的模拟数据；

S6：建立数据通道模块，将所产生的模拟发生数据与样本信号数据池中的数据比对和优化，提升其规则库的质量。

具体步骤如下：

S61：在每路数据通道设置模拟数据输入和输出开关，用于开始和结束模拟数据的发生；

S62：在开始传输前，在多输出数据通道中对关于叶片结冰度的完整模拟数据分配数据通道，最终经由数据通道向外输出完整的模拟数据；

S63：提取叶片结冰度实际运行数据的测试数据；

S64：将叶片结冰度实际运行数据测试数据相关联的各参数及条件设置到数据模拟装置中，产生模拟数据；

S65：将所得模拟数据与测试数据进行比对、优化，经过人工网络学习、拟合后的模拟数据与10％的测试数据比对，得到所有样本数据与模拟数据的误差，最后求平均，即为泛化误差。为了使模型更加精确，可进行多次动态测试，按先后顺序每次取10％的实际样本数据作为测试数据，其余90％为训练数据，从而得到所有样本数据与模拟数据的误差，最后求平均，即为泛化误差；

S66：神经网络算法选择具有最小泛化误差的模型作为本次训练的最终模型，并且在整个训练数据上再次训练该模型，循环往复得到最终的模型。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (5)

1.一种连续型运行监测数据模拟发生方法，其特征在于，具体步骤如下：

1)采集待模拟实际系统的运行监测数据，分类形成样本信号数据池；

2)根据步骤1)中所述样本信号数据池，分别生成正常运行数据模拟规则库和异常工况数据模拟规则库；

3)根据步骤2)中所述正常运行数据模拟规则库，生成自定义正常运行数据模拟规则库；根据步骤2)中所述异常工况数据模拟规则库，生成自定义异常工况数据模拟规则库；

4)结合正常运行数据模拟规则库和异常工况数据模拟规则库生成完整模拟数据；结合自定义正常运行数据模拟规则库和自定义异常工况数据模拟规则库生成完整自定义模拟数据；

步骤1)中所述分类形成样本信号数据池的具体方法如下：

1-1)对实际系统所产生的监测数据进行划分，根据监测数据的类型、功能、产生条件、机理的差异将数据源划分成多种类别数据池；

1-2)设置实际系统监测对象的数据采样周期；

1-3)将步骤1-1)中所述多种类别数据池内的数据划分为正常数据和异常工况数据，并存入到正/异常数据池中；

1-4)将步骤1-3)中所述正/异常数据池内的数据，划分为测试数据和训练数据；

生成正常运行数据模拟规则库的具体方法如下：

2-1-1)提取步骤1-4)中正常数据池内的训练数据；

2-1-2)根据训练数据的类型、产生条件、关联参数、信号周期、幅值范围、产生频率、噪声范围、噪声频率因素确定训练样本的结构，即输入和输出个数；

2-1-3)根据RBF人工神经网络学习、回归、拟合方式对训练数据进行处理，得到针对不同正常运行监测数据的神经网络模型、关系表达式和正常运行数据模拟规则库；

步骤2-1-3)具体为，针对建立RBF神经网络模型，首先根据训练样本结构得到输入向量M和目标向量N，并输入测试样本M_test和目标测试样本N_test；之后采用函数newrbe创建RBF神经网络模型，并由系统设定隐含层数目，相关函数为：

SPREAD＝1；

net＝newrbe(P,T,SPREAD)；

y＝sim(net,P_test)；

生成异常工况数据模拟规则库的具体方法如下：

2-2-1)提取步骤1-4)中异常数据池内的训练数据；

2-2-2)记录每次异常的频率、持续周期、残差幅值、是否允许复合参数；

2-2-3)通过异常工况数据分析模块调用异常工况分析算法库，按照实际系统中不同类别数据所发生异常的类型，对异常工况所产生数据进行分类，确定训练样本的结构，即输入和输出个数；

2-2-4)按类别对异常工况数据进行整合、分析、处理，得到异常工况数据模拟规则库；

步骤2-2-4)得到异常工况数据模拟规则库的具体方法为：根据步骤2-2-3)中分类后的异常工况数据，分别进行RBF神经网络建模，首先由训练样本结构得到输入向量M和目标向量N，并输入测试样本M_test和目标测试样本N_test；之后采用函数newrbe创建RBF神经网络模型，并由系统设定隐含层数目，相关函数为：

SPREAD＝1；

net＝newrbe(P,T,SPREAD)；

y＝sim(net,P_test)；

步骤3)中所述生成自定义正常运行数据模拟规则库和自定义异常工况数据模拟规则库的具体方法为：

将正常运行数据模拟规则库和异常工况数据模拟规则库作为参考规则库，调整步骤2-1-3)和2-2-4)中神经网络模型中各神经元的权重和偏置，以适应自定义操作对输出数据的调整，从而建立出自定义正常运行数据模拟规则库，具体方法为：首先将输入节点的变量数值规定于(-1,1)之间；各输入节点权重及隐藏层与输出层神经元的偏置初始化设置为(-1,1)的随机数，并根据输入信号计算出各神经元输出信号；由输出信号计算出与真值的差值，以及各隐藏层和输出层神经元的差值；然后通过二分法依次对各神经元权重和偏置进行更新优化，得到更近似于最优解的值；

将正常运行数据模拟规则库和异常工况数据模拟规则库不作参考映射，由实际工况和样本数据得到输入向量M，输入向量M的各个输入量的权重均为(-1,1)之间的随机数，记录与此对应的输出值，由此重复现实世界无法复现的信号并产生非实际生产下的自定义数据，用于自定义补充自定义正常运行数据模拟规则库和自定义异常工况数据模拟规则库。

2.如权利要求1所述的连续型运行监测数据模拟发生方法，其特征在于，步骤1-3)中所述划分为正常数据和异常工况数据的具体方法为：将同种时间条件下的大量输出结果作为数据集，求其平均值λ和标准差σ，根据工况和执行标准的差异，人为对数据标准差添加影响因子γ，将判断异常数据的标准差设定为α＝σ+γ，针对每个数据χ，若(χ－λ)²>α²，则判断为异常数据。

3.如权利要求1所述的连续型运行监测数据模拟发生方法，其特征在于，步骤4)中所述结合正常运行数据模拟规则库和异常工况数据模拟规则库生成完整模拟数据的具体方法为：通过正常运行数据模拟规则库生成处于正常工况下的模拟数据，并根据系统模拟和人为主动控制的要求向模拟出的正常数据间隔性或连续性地插入异常工况数据模拟规则库模拟出的异常数据，生成完整模拟数据；

步骤4)中所述结合自定义正常运行数据模拟规则库和自定义异常工况数据模拟规则库生成完整自定义模拟数据的具体方法为：为生成非实际生产下的自定义数据为重复现实世界无法复现的信号，通过自定义正常运行数据模拟规则库生成处于正常工况下的模拟数据，并根据系统模拟和人为主动控制的要求向模拟出的正常数据间隔性或连续性地插入自定义异常工况数据模拟规则库生成的模拟数据，生成完整自定义模拟数据。

4.如权利要求1所述的连续型运行监测数据模拟发生方法，其特征在于，所述方法还包括有：步骤5)对比完整模拟数据和样本信号数据池的数据，优化完整模拟数据发生规则，其具体方法如下：

5-1)提取步骤1-4)中其中一个正/异常数据池内的测试数据；

5-2)将测试数据与之相关联的各参数及条件设置到装置中；

5-3)所述测试数据与对应模拟数据进行比较，泛化误差；对数据集中共有的A个数据，将其随机分成B份，每次选取其中1份作为测试数据，其余B-1份为训练数据进行交叉训练，得到所有样本数据与模拟数据的误差，最后求平均；

5-4)神经网络算法选择具有最小泛化误差的模型作为本次训练的模型，将该模型继续作为训练模型；将泛化误差后的A个数据依旧分成B份，并且在整个训练数据上再次训练该模型，寻得具有最小泛化误差的模型作为下次的训练模型，循环往复，直到所得模型的精度达到预期值，求得最终的神经网络模型。

5.采用权利要求1至4任意一项所述的数据模拟发生方法生成数据的装置，其特征在于，所述装置包括有输入和规范设备，正常运行数据分析模块，异常工况数据分析模块，算法模块，数据发生预处理模块和数据通道模块；

输入和规范设备，将采集到的数据经基本清洗处理后，通过读取时钟信号，确定数据块读取起止位置及循环次数，按照规范形成以约定周期为单位的样本信号数据池；

正常运行数据分析模块，从样本信号数据池中提取正常运行数据，对其进行神经网络学习、回归、拟合，建立神经网络模型，从而得到系统正常运行下不同数据的关系表达式和数据发生规则库；

异常工况数据分析模块，从样本信号数据池中提取异常工况数据，通过调用异常工况分析算法库，对异常工况所产生数据进行分类，形成异常工况数据模拟规则库；

算法模块，编制算法从正常运行数据分析模块、异常工况数据分析模块所形成的模拟规则库映射出实际生产工况相关联的完整模拟数据；并通过编制算法，生成非实际生产下的完整自定义模拟数据；

数据发生预处理模块：处理、整合数据，确定数据发送速率、数据长度、数据内容，形成实际模拟数据发生规则；

数据通道模块，选择通道调理、输出实际模拟数据。

Images